Data Reduction in SARS-CoV-2 Amplicon Sequencing: Effects of Read Subsampling and Normalization on Consensus Quality, Lineage Assignment, and Computational Burden

Um zu verfolgen, wie sich Viren verändern und ausbreiten, verlassen sich Wissenschaftler auf ein leistungsstarkes Werkzeug namens Next-Generation-Sequencing. Stellen Sie sich vor, man würde ein Foto des gesamten genetischen Codes eines Virus machen – eine lange Kette von Anweisungen, die dem Virus sagen, wie es sich verhalten soll. Indem sie diese Codes von vielen verschiedenen Patienten lesen, können Forscher neue Varianten erkennen, verstehen, wie sich das Virus in einer Gemeinschaft bewegt, und nach gefährlichen Mutationen Ausschau halten. Der Prozess, diese genetischen Fotos zu machen, ist jedoch nicht immer effizient. Die Maschinen, die den Code lesen, erzeugen oft weit mehr Daten, als streng genommen notwendig ist, ganz ähnlich wie man ein Foto mit einer Kamera macht, die jedes einzelne Sandkorn an einem Strand einfängt, wenn man eigentlich nur den Horizont sehen möchte. Dieser Überschuss an Daten stellt eine enorme Belastung für Computer dar, was die Analyse verlangsamt und es schwieriger macht, bei einer Krise der öffentlichen Gesundheit zeitnahe Antworten zu erhalten.

Ein Forscherteam in Utah setzte sich zum Ziel, dieses Problem des digitalen Datenmülls zu lösen. Sie konzentrierten sich auf eine spezifische Art der genetischen Sequenzierung, die für das SARS-CoV-2-Virus verwendet wird und auf einer Methode namens Amplikon-Sequenzierung basiert. Diese Technik funktioniert dadurch, dass kleine, spezifische Stücke des viralen Genoms viele Male kopiert werden, damit sie klar gelesen werden können. Eine bekannte Nebenwirkung dieses Kopierprozesses ist, dass einige Stücke viel häufiger kopiert werden als andere, was zu einer ungleichmäßigen Verteilung der Daten führt. Um sicherzustellen, dass jeder Teil des Virus gesehen wird, sequenzieren Wissenschaftler die Proben oft weit über das hinaus, was nötig wäre, wodurch riesige Dateien entstehen, die viel Zeit in der Verarbeitung benötigen. Die Forscher wollten wissen, ob sie sicher Teile dieser überschüssigen Daten wegwerfen könnten, um die Prozesse zu beschleunigen, ohne die Fähigkeit zu verlieren, das Virus zu identifizieren oder neue Varianten zu entdecken. Sie testeten zwei verschiedene Wege, um die Daten zu reduzieren: einen, bei dem einfach zufällige Teile behalten wurden, und einen anderen, der die Daten aktiv ausbalancierte, um die ungleichmäßige Kopie zu korrigieren.

Die Studie beinhaltete die Analyse genetischer Daten aus 220 klinischen Proben, die von Patienten entnommen wurden, sowie 12 Proben aus Abwasser, welches eine Mischung aus Viren vieler Menschen aus einer Gemeinschaft enthält. Die Forscher nahmen die ursprünglichen, massiven Datensätze und reduzierten sie auf verschiedene kleinere Größen, wobei sie testeten, wie gut der Computer seine Aufgabe noch erfüllen konnte. Sie verglichen die Ergebnisse zweier Strategien. Die erste Strategie, das zufällige Subsampling, war so, als würde man einen Eimer mit gemischten Murmeln nehmen und blind eine kleinere Handvoll herausnehmen. Diese Methode behielt die ursprüngliche Ungleichmäßigkeit der Daten bei, machte aber den gesamten Haufen kleiner. Die zweite Strategie, die Read-Depth-Normalisierung, war eher wie ein intelligenter Sortierer, der den Haufen betrachtete, die Murmeln identifizierte, die zu zahlreich waren, und die Überschüsse entfernte, um eine perfekt ausbalancierte Handvoll zu erstellen.

Die Ergebnisse zeigten, dass beide Methoden erfolgreich die Zeit und die Computerleistung reduzierten, die für die Analyse der Proben benötigt wurden, aber sie funktionierten am besten für unterschiedliche Ziele. Für die Patientenproben, bei denen das Ziel lediglich darin bestand, zu identifizieren, welche Version des Virus vorhanden war, funktionierte die Methode des zufälligen Herausnehmens gut, solange genügend Daten übrig blieben. Die intelligente Sortiermethode war jedoch überlegen, wenn es darum ging, ein vollständiges und exaktes Bild des genetischen Codes des Virus zu erstellen. Sie ermöglichte es den Forschern, qualitativ hochwertige Ergebnisse mit signifikant weniger Daten zu erzielen, als die Zufallsmethode erforderte. Konkret erzeugte die intelligente Sortiermethode zuverlässige genetische Karten bei einer Datentiefe von 200-facher Abdeckung, während die Zufallsmethode mehr als eine 500-fache Abdeckung benötigte, um dieselbe Vollständigkeit zu erreichen. Das bedeutet, dass bei der Routineuntersuchung von Patienten die Verwendung der intelligenten Sortiermethode eine große Menge an Rechenzeit sparen könnte, während sie dennoch die klaren Antworten liefert, die Ärzte und Behörden der öffentlichen Gesundheit benötigen.

Die Geschichte änderte sich jedoch, als die Forscher die Abwasserproben untersuchten. Diese Proben sind komplexe Mischungen, die gleichzeitig viele verschiedene Virusstämme enthalten, und das Ziel ist es, genau zu bestimmen, wie viel von jedem Stamm vorhanden ist. In diesem Szenario fanden die Forscher heraus, dass das Wegwerfen von Daten gefährlich war. Wenn sie die Menge der Daten zu stark reduzierten, hatte der Computer Schwierigkeiten, die verschiedenen Stämme voneinander zu unterscheiden. Die Genauigkeit bei der Identifizierung der vorhandenen Stämme sank drastisch, sobald die Daten unter ein bestimmtes Niveau fielen. Die intelligente Sortiermethode, die zwar gut darin ist, die Daten auszubalancieren, erzeugte manchmal Fehlsignale, wenn die Daten zu spärlich waren, was es so aussehen ließ, als gäbe es mehr verschiedene Stämme, als tatsächlich existierten. Die Zufallsmethode hielt sich bei sehr geringen Datenmengen etwas besser, scheiterte aber dennoch daran, ein zuverlässiges Bild der viralen Mischung der Gemeinschaft zu liefern. Die Studie kam zu dem Schluss, dass Datenreduktion zwar ein mächtiges Werkzeug zur Beschleunigung der Routineanalyse ist, sie aber bei der Umweltüberwachung mit äußerster Vorsicht eingesetzt werden sollte. Für Abwasser ist ein hohes Volumen an Daten essenziell, um das komplexe Gemisch der in einer Bevölkerung zirkulierenden Viren genau zu entwirren.

Letztendlich bietet diese Arbeit einen klaren Leitfaden dafür, wie mit der Flut an genetischen Daten umzugehen ist, die bei der Virusüberwachung anfallen. Sie zeigt, dass es keine einzige beste Methode zur Datenreduktion gibt; die richtige Wahl hängt ganz davon ab, welche Frage gestellt wird. Wenn das Ziel darin besteht, ein Virus bei einem Patienten schnell zu identifizieren, ist ein leichter Ansatz, der die Daten beschneidet, effizient und effektiv. Wenn das Ziel darin besteht, das detaillierteste mögliche genetische Modell zu erstellen, ist eine Methode, die für Kopier-Biases korrigiert, der bessere Weg. Aber wenn man versucht, die komplexen, gemischten Populationen in der Umwelt zu verstehen, fanden die Forscher heraus, dass weniger Daten nicht besser sind. In diesen Fällen ist das volle Volumen an Informationen notwendig, um die subtilen Details nicht zu übersehen, die die wahre Geschichte darüber erzählen, wie sich ein Virus ausbreitet. Durch die Abstimmung der Datenreduktionsstrategie auf die spezifische Aufgabe können Labore der öffentlichen Gesundheit ihre Systeme schneller und nachhaltiger gestalten, ohne die Genauigkeit zu opfern, die zum Schutz der Gemeinschaften erforderlich ist.